Buchumschlag

Personalizing Multimodal Large Language Models for Image Captioning: An Experimental Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bucciarelli, Davide, Moratelli, Nicholas, Cornia, Marcella, Baraldi, Lorenzo, Cucchiara, Rita
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Computation and Language Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Revisiting Image Captioning Training Paradigm via Direct CLIP-based Optimization
von: Moratelli, Nicholas, et al.
Veröffentlicht: (2024)

What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models
von: Baraldi, Lorenzo, et al.
Veröffentlicht: (2025)

Augmenting Multimodal LLMs with Self-Reflective Tokens for Knowledge-based Visual Question Answering
von: Cocchi, Federico, et al.
Veröffentlicht: (2024)

The Revolution of Multimodal Large Language Models: A Survey
von: Caffagni, Davide, et al.
Veröffentlicht: (2024)

Positive-Augmented Contrastive Learning for Vision-and-Language Evaluation and Training
von: Sarto, Sara, et al.
Veröffentlicht: (2024)

Mitigating Hallucinations in Multimodal LLMs via Object-aware Preference Optimization
von: Compagnoni, Alberto, et al.
Veröffentlicht: (2025)

BRIDGE: Bridging Gaps in Image Captioning Evaluation with Stronger Visual Cues
von: Sarto, Sara, et al.
Veröffentlicht: (2024)

Wiki-LLaVA: Hierarchical Retrieval-Augmented Generation for Multimodal LLMs
von: Caffagni, Davide, et al.
Veröffentlicht: (2024)

Towards Retrieval-Augmented Architectures for Image Captioning
von: Sarto, Sara, et al.
Veröffentlicht: (2024)

Recurrence-Enhanced Vision-and-Language Transformers for Robust Multimodal Document Retrieval
von: Caffagni, Davide, et al.
Veröffentlicht: (2025)

LLaVA-MORE: A Comparative Study of LLMs and Visual Backbones for Enhanced Visual Instruction Tuning
von: Cocchi, Federico, et al.
Veröffentlicht: (2025)

Recurrence Meets Transformers for Universal Multimodal Retrieval
von: Caffagni, Davide, et al.
Veröffentlicht: (2025)

RaTA-Tool: Retrieval-based Tool Selection with Multimodal Large Language Models
von: Mattioli, Gabriele, et al.
Veröffentlicht: (2026)

Tiny Inference-Time Scaling with Latent Verifiers
von: Bucciarelli, Davide, et al.
Veröffentlicht: (2026)

Fluent and Accurate Image Captioning with a Self-Trained Reward Model
von: Moratelli, Nicholas, et al.
Veröffentlicht: (2024)

Causal Graphical Models for Vision-Language Compositional Understanding
von: Parascandolo, Fiorenzo, et al.
Veröffentlicht: (2024)

Seeing Beyond Words: Self-Supervised Visual Learning for Multimodal Large Language Models
von: Caffagni, Davide, et al.
Veröffentlicht: (2025)

Safe-CLIP: Removing NSFW Concepts from Vision-and-Language Models
von: Poppi, Samuele, et al.
Veröffentlicht: (2023)

Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images
von: Amoroso, Roberto, et al.
Veröffentlicht: (2023)

Fashion-RAG: Multimodal Fashion Image Editing via Retrieval-Augmented Generation
von: Sanguigni, Fulvio, et al.
Veröffentlicht: (2025)

Few Channels Draw The Whole Picture: Revealing Massive Activations in Diffusion Transformers
von: Turri, Evelyn, et al.
Veröffentlicht: (2026)

Learning to Mask and Permute Visual Tokens for Vision Transformer Pre-Training
von: Baraldi, Lorenzo, et al.
Veröffentlicht: (2023)

Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities
von: Baraldi, Lorenzo, et al.
Veröffentlicht: (2024)

ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering
von: Compagnoni, Alberto, et al.
Veröffentlicht: (2025)

CounterVid: Counterfactual Video Generation for Mitigating Action and Temporal Hallucinations in Video-Language Models
von: Poppi, Tobia, et al.
Veröffentlicht: (2026)

Image Captioning Evaluation in the Age of Multimodal LLMs: Challenges and Future Perspectives
von: Sarto, Sara, et al.
Veröffentlicht: (2025)

Hyperbolic Safety-Aware Vision-Language Models
von: Poppi, Tobia, et al.
Veröffentlicht: (2025)

Look Twice: Training-Free Evidence Highlighting in Multimodal Large Language Models
von: Morini, Marco, et al.
Veröffentlicht: (2026)

Embodied Agents for Efficient Exploration and Smart Scene Description
von: Bigazzi, Roberto, et al.
Veröffentlicht: (2023)

Personalized Instance-based Navigation Toward User-Specific Objects in Realistic Environments
von: Barsellotti, Luca, et al.
Veröffentlicht: (2024)

Explore and Explain: Self-supervised Navigation and Recounting
von: Bigazzi, Roberto, et al.
Veröffentlicht: (2020)

Talking to DINO: Bridging Self-Supervised Vision Backbones with Language for Open-Vocabulary Segmentation
von: Barsellotti, Luca, et al.
Veröffentlicht: (2024)

Multimodal-Conditioned Latent Diffusion Models for Fashion Image Editing
von: Baldrati, Alberto, et al.
Veröffentlicht: (2024)

HAIC: Improving Human Action Understanding and Generation with Better Captions for Multi-modal Large Language Models
von: Wang, Xiao, et al.
Veröffentlicht: (2025)

Training-Free Open-Vocabulary Segmentation with Offline Diffusion-Augmented Prototype Generation
von: Barsellotti, Luca, et al.
Veröffentlicht: (2024)

See or Guess: Counterfactually Regularized Image Captioning
von: Cao, Qian, et al.
Veröffentlicht: (2024)

Alfie: Democratising RGBA Image Generation With No $$$
von: Quattrini, Fabio, et al.
Veröffentlicht: (2024)

Multi-Class Unlearning for Image Classification via Weight Filtering
von: Poppi, Samuele, et al.
Veröffentlicht: (2023)

Joint Modeling of Big Five and HEXACO for Multimodal Apparent Personality-trait Recognition
von: Masumura, Ryo, et al.
Veröffentlicht: (2025)

DetailVerifyBench: A Benchmark for Dense Hallucination Localization in Long Image Captions
von: Wang, Xinran, et al.
Veröffentlicht: (2026)